各向异性四阶偏微分方程耦合二阶偏微分方程的图像放大

针对增强图像中的弱边缘、细节纹理和消除二阶偏微分方程在图像平滑部分的阶梯效应问题,提出一种各向异性四阶偏微分方程耦合二阶偏微分方程的图像放大算法。算法通过像素的局部方差自适应约束阈值,实现图像中不同结构的各向异性四阶扩散,增强弱边缘和细节纹理,去除平滑部分阶梯效应,同时耦合改进的总变差方法和受梯度约束的冲激滤波器对边缘进行增强,放大算法采用双正交映射实现图像退化模型的约束。仿真实验证明该算法能够很好地增强边缘、细节和纹理,去除阶梯效应。与其他二阶偏微分方程放大算法比较,算法具有较好的主观视觉效果,算法放大图像的峰值信噪比(PSNR)和平均结构相似性测度(MSSIM)也高于其他二阶偏微分方程算法,其中平滑部分较多图像的PSNR比基于改进的总变差放大算法提高1 dB左右,细节纹理较多的图像提高0.5 dB以上。该算法的放大图像更加自然,弱边缘和细节能够得到分辨率增强。     

三阶3型锁相环研究

由于稳态相差的原因,传统的二阶锁相环无法跟踪频率斜升信号,这里提出一种采用2型环路滤波器的锁相环路,对频率斜升信号具有较好的锁定效果．给出2型环路滤波器的一般传函形式,分析了三阶3型PLL的稳定性、阶跃响应,推导出三阶系统阻尼系数ζ的合适值．通过双线性变换法实现其数字化,并给出了三阶3型PLL环路滤波器的数字实现框图．结果显示,三阶3型PLL,可跟踪频率斜升信号．因此,深空测控中可采用三阶3型PLL进行多普勒信号的捕获、跟踪．     

高动态范围图像增强算法

针对显示设备无法还原高动态范围图像的真实效果,提出一种基于分层色阶映射的图像增强算法。该算法首先通过Retinex模型与快速双边滤波算法估计光照图像。然后利用高斯混合模型和期望最大算法将光照图像概率分布分割为多层高斯模型混合而成。并通过迭代获得各高斯概率层对应的最优校正系数。最后叠加各层并获得增强后的光照图像。实验证明,该算法在整体上实现了图像动态范围的压缩,图像增强效果明显。     

浅谈提高高校教务管理人员素质的途径

高校教务管理工作在高等教育中具有举足轻重的地位,它直接关系到教学水平及教学质量,是高校管理中的重要环节,而高校教务管理水平是由教务管理人员的素质决定的。论述了在新形势下如何提高高校教务管理人员的综合素质和专业技术能力。     

基于ARM的故障融合诊断系统

文章提出一种利用ARM技术对故障信息进行融合并智能诊断的系统模型。围绕该系统的各个组成模块,对其具体功能以及实现方法进行了详细叙述。     

基于改进粒子滤波的空间红外小目标跟踪方法

为有效跟踪空间红外小目标,常采用基于粒子滤波的检测跟踪算法。粒子滤波中,防止粒子退化的两个关键因素是选择合理的建议分布和重采样算法。在对重采样算法研究的基础上,提出了以有效粒子数作为阈值进行模型切换,分别利用残差重采样和系统重采样的优势,将两种采样模型有机结合,从而得到一种自适应的残差系统重采样（RSR）算法。实验结果表明,所提出的改进重采样算法在时间和跟踪精度上均优于经典重采样算法,有效地提高了空间红外小目标跟踪的效率和稳定性。     

基于傅里叶变换的高精度频率及相量算法

离散傅里叶变换(DFT)是电力系统中频率及相量测量的基本算法，作者首先从理论上分析了传统的离散傅里叶算法存在的测量误差，并在传统的离散傅里叶算法的基础上提出了一种前向递推的DFT算法，该算法利用3点DFT数据进行频率及相量的测量，有效减小了运算量，仿真试验验证了所提算法的正确性。仿真结果还表明，该算法能有效地减小由傅里叶算法引起的测量误差，具有测量精度高的优点。     

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。     

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题，采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除，并在系统中添加稠密点云地图和八叉树地图构建线程。首先，与RANSAC算法相比，PROSAC算法依据评价函数对特征点进行预排序，并选取评价质量较高的特征点求解单应性矩阵，根据单应性矩阵的解与匹配误差阈值进行误匹配剔除；然后，根据ORB-SLAM2系统进行相机的位姿估计与重定位；最后，根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果，PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右，并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致，表现出良好的鲁棒性；另外，与稀疏点云地图相比，提出的新构建地图可以直接用于机器人的导航与路径规划。